sparkStreaming向hbase写数据

在SparkStreaming中统计了数据之后，我们需要将结果写入外部文件系统。

本文，以向Hbase中写数据，为例，说一下，SparkStreaming怎么向Hbase中写数据。

首先，需要说一下，下面的这个方法。

foreachRDD(func)

最通用的输出操作，把func作用于从stream生成的每一个RDD。

注意：这个函数是在 运行streaming程序的driver进程 中执行的。

下面跟着思路，看一下，怎么优雅的向Hbase中写入数据

向外部写数据 常见的错误：

向外部数据库写数据，通常会建立连接，使用连接发送数据(也就是保存数据)。

开发者可能 在driver中创建连接，而在spark worker 中保存数据

例如：

dstream.foreachRDD { rdd =>
  val connection = createNewConnection()  // 这个会在driver中执行
  rdd.foreach { record =>
    connection.send(record) //这个会在 worker中执行
  }
}

上面这种写法是错误的！上面的写法，需要connection 对象被序列化，然后从driver发送到worker。

这样的connection是很少在机器之间传输的。知道这个问题后，我们可以写出以下的，修改后的代码：

dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}

这种写法也是不对的。这会导致，对于每条数据，都创建一个connection(创建connection是消耗资源的)。

下面的方法会好一些：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}

上面的方法，使用 rdd.foreachPartition 创建一个connection 对象， 一个RDD分区中的所有数据，都使用这一个connection。

更优的方法

在多个RDD之间，connection对象是可以重用的，所以可以创建一个连接池。如下

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool是一个静态的,延迟初始化的连接池
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // 返回到池中 以便别人使用  }
}

连接池中的连接应该是，应需求而延迟创建，并且，如果一段时间没用，就超时了(也就是关闭该连接)